《表3 贝叶斯定理的数学表达》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《临床思维的基本原理》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

贝叶斯定理是由英国业余数学家托马斯·贝叶斯（Thomas Bayes，1701—1761年）于18世纪中期提出，目的是为了理解实际生活中，多个事件发生率之间相互影响的关系，因此也被称为条件概率论。生活中事件的发生并不是孤立的，常常相互影响，例如吸烟的人易患呼吸系统或心血管疾病；预测明天的天气需要参考过去几天的天气状况；特定主题的文章中就会较多出现与主题相关的关键词等。贝叶斯定理在如今的医学、通信、军事、科技、人工智能等诸多领域被广泛应用。贝叶斯定理的数学表达是求“在事件B已经发生的条件下，事件A发生的概率”的问题[22]，见表3，是将事件的验前概率（pre-test probability）通过似然比（likelihood ratio，LR）转化为验后概率（post-test probability）的定量计算过程。它可以将之前假设-演绎推理过程引起的诊断概率变化进行直观地量化，使得抽象的临床思维过程转变成基于客观数据与逻辑计算的数学过程而一目了然。例如，请问“某40岁女性经过某种检查方法发现乳腺结节后，她真正患有乳腺癌的可能是多少”?根据贝叶斯定理，其中P（A）=验前概率，即本地40岁年龄段女性的乳腺癌患病率，可以通过检索流行病学资料获得；P（B|A）=已经明确患有乳腺癌的患者中通过这种检测呈阳性的比率，即这种检测方法本身的敏感性；P（B）=这种检测方法呈阳性结果的全部比率（注意，此时包括真阳性与假阳性结果的总和，但如果患病率很低的情况下，则约等于假阳性率，可通过检测方法的特异性数值推算出），而这种检测方法的敏感性与特异性数据均可通过检索文献获得。因此将以上数据分别代入公式，就可以估算出上述临床问题中“P（A|B）”的概率了。